Kod przedmiotu |
02 58 6178 00 |
Liczba punktów ECTS |
5 |
Nazwa w języku prowadzenia |
Głębokie sieci neuronowe |
Nazwa w języku polskim |
Głębokie sieci neuronowe |
Nazwa w języku angielskim |
Deep Neural Networks |
Język prowadzenia zajęć |
polski |
Formy zajęć
Liczba godzin w semestrze |
|
Wykład |
Ćwiczenia |
Laboratorium |
Projekt |
Seminarium |
Inne |
E-learning |
Godziny kontaktowe |
30 |
|
10 |
15 |
|
25 |
|
Kształcenie na odległość |
Nie |
Nie |
Nie |
Nie |
Nie |
Nie |
Nie |
Udział wagowy w ocenie końcowej. |
0,00 |
|
0,30 |
0,70 |
|
0 |
|
|
Jednostka prowadząca |
Instytut Informatyki Stosowanej |
Kierownik przedmiotu |
dr inż. Paweł Kapusta |
Realizatorzy przedmiotu |
|
Wymagania wstępne |
Podstawy Uczenia Głębokiego, Uczenie nienadzorowane |
Przedmiotowe efekty uczenia się |
- Zna i rozumie algorytmy generacyjne
- Zna i rozumie zaawansowane algorytmy pozwalające na detekcję obiektów na obrazach
- Potrafi wybrać i wdrożyć odpowiedni algorytm w celu rozwiązania wybranego problemu generacji danych
|
Metody weryfikacji przedmiotowych efektów uczenia się |
Efekt 1, 2 - Zadania wykonywane na laboratoriach (30%)
Efekt 3 - Projekt (70%)
|
Kierunkowe efekty uczenia się |
- Zna i rozumie główne tendencje rozwojowe informatyki w obszarze sztucznej inteligencji i uczenia maszynowego
- W pogłębionym stopniu zna i rozumie teoretyczne fundamenty sztucznej inteligencji i uczenia maszynowego, ich zaawansowane idee i zastosowania oraz zagadnienia z powiązanych działów informatyki.
- Potrafi przeanalizować złożony problem i zaproponować jego innowacyjne rozwiązanie, wykazując się kreatywnością w łączeniu wiedzy z obszaru tematycznego sztucznej inteligencji i powiązanych, innych dziedzin informatyki, a także dyscyplin specyficznych dla danego problemu, z uwzględnieniem zmieniających się oraz nieprzewidywalnych uwarunkowań.
- Potrafi zaprojektować, zaimplementować i ocenić system lub algorytm przetwarzania i analizy informacji wykorzystujący elementy sztucznej inteligencji i uczenia maszynowego, spełniający narzucone wymagania, dokonując przy tym wyboru odpowiednich do tego celu technik i narzędzi, a w razie potrzeby dostosować istniejące lub utworzyć nowe techniki i narzędzia.
- Potrafi formułować i testować hipotezy związane z prostymi problemami badawczymi.
|
Formy i warunki zaliczenia przedmiotu |
Laboratorium - zadania indywidualne, wykonywane w trakcie laboratoriów
Projekt – wykonanie projektu końcowego. Prezentacja projektu końcowego oraz przygotowanie sprawozdania z jego realizacji |
Szczegółowe treści przedmiotu |
Wykład:
1. Wprowadzenie do sieci generacyjnych
2. Autoenkodery i autoenkodery wariacyjne
3. Sieci generacyjne typu Adversarial (GAN)
4. Sieci generacyjne warunkowe (Conditional GAN)
4. Zagadnienia Text to Image
7. Mechanizm Attention w sieciach generacyjnych
8. Wykorzystanie algorytmów generacyjnych do tworzenia treści multimedialnych
9. Zastosowanie sieci niekonwolucyjnych do przetwarzania obrazów
Laboratorium:
1. Praktyczna implementacja metod.
Projekt:
1. Realizacja projektu z zastosowaniem powyższych metod.
|
Literatura podstawowa |
- Jakub Langr , Vladimir Bok, GANs in Action: Deep learning with Generative Adversarial Networks, ? Manning Publications, 2019
- David Foster, Generative Deep Learning: Teaching Machines to Paint, Write, Compose, and Play, O`Reilly Media, 2019
- Bharat Sikka, Elements of Deep Learning for Computer Vision: Explore Deep Neural Network Architectures, PyTorch, Object Detection Algorithms, and Computer Vision Ap-plications for Python Coders, BPB Publications, 2021
|
Literatura uzupełniająca |
- Xiaoyue Jiang, Abdenour Hadid, Yanwei Pang, Eric Granger, Xiaoyi Feng, Deep Learning in Object Detection and Recognition, Springer, 2019
- Kurs Uniwersytetu Stanforda, CS236G Generative Adversarial Networks (GANs), https://cs236g.stanford.edu/
|
Bilans godzin
|
Forma zajęć |
Liczba godzin |
Wykład |
30 |
Laboratorium |
10 |
Projekt |
15 |
Inne |
25 |
SUMA : |
80 |
|
Uwagi |
|
Data aktualizacja karty |
2021-12-07 12:21:16 |